[发明专利]一种妆容效果处理模型训练方法及妆容效果处理方法

权利要求书

1.一种妆容效果处理模型训练方法，其特征在于，包括：

获取同一个人的带有妆容的带妆图像以及不带有妆容的原始图像；

采用第一生成式对抗网络对所述带妆图像进行预设次数处理，生成第一相似影像；以及

采用第二生成式对抗网络对所述原始图像进行预设次数处理，生成第二相似影像；

根据所述第一相似影像与所述原始图像的相似度比较结果，对所述第一生成式对抗网络进行训练；以及根据所述第二相似影像与所述带妆图像的相似度比较结果，对所述第二生成式对抗网络进行训练；直到所述第一相似影像以及所述第二相似影像满足预设条件，完成本轮训练；

经过对所述第一生成式对抗网络和所述第二生成式对抗网络的多轮训练，以对妆容效果处理模型进行训练。

2.根据权利要求1所述的方法，其特征在于，所述妆容效果处理模型还包括第一神经网络和/或第二神经网络，所述妆容效果处理模型在使用时，所述第一生成式对抗网络的输出作为所述第一神经网络的输入，对待处理图像进行进一步处理；和/或，将所述第二生成式对抗网络的输出作为第二神经网络的输入，对待处理图像进行进一步处理；

所述方法还包括对神经网络的训练过程：

获取源图像集和目标图像集；其中，所述源图像集中包括至少一个带有标签的源图像；

将所述源图像集以及目标图像集输入所述神经网络，对源图像和目标图像进行特征学习后，为源图像集中的每个源图像提取第一特征向量；并

将所述第一特征向量输入分类器得到分类结果；

基于所述分类结果，对所述神经网络和所述分类器进行本轮训练；

经过对所述第一生成式对抗网络和所述第二生成式对抗网络的多轮训练，得到妆容效果处理模型，具体包括：

经过对所述第一生成式对抗网络和所述第二生成式对抗网络的多轮训练，以及经过对所述神经网络的多轮训练，得到妆容效果处理模型。

3.根据权利要求2所述的方法，其特征在于，在将所述源图像集以及目标图像集输入所述神经网络，对源图像和目标图像进行特征学习后，还包括：

为目标图像集中的每个目标图像提取第二特征向量；并

将所述第一特征向量和所述第二特征向量进行梯度反向处理；以及

将经过梯度反向处理的第一特征向量和第二特征向量输入域分类器；

根据所述域分类器的对第一特征向量以及第二特征向量分别表征的源图像集和目标图像集的域分类结果，对所述神经网络进行参数调整。

4.根据权利要求1所述的方法，其特征在于，根据所述第一相似影像与所述原始图像的相似度比较结果，对所述第一生成式对抗网络进行训练；以及根据所述第二相似影像与所述带妆图像的相似度比较结果，对所述第二生成式对抗网络进行训练；直到所述第一相似影像以及所述第二相似影像满足预设条件，完成本轮训练，具体包括：

执行如下第一相似度比对，以及第二相似度比对，直到第一相似度比较结果以及第二相似度比较结果均分别符合对应的条件，执行第三相似度比对，直到第三相似度比对结果符合对应的条件，完成本轮训练；

所述第一相似度比对包括：

确定当前确定的第一相似影像和所述原始图像的第一相似度比较结果；

针对所述第一相似度比较结果大于第一预设相似度阈值的情况，生成第一反馈信息，并基于所述第一反馈信息对所述第一生成式对抗网络进行参数调整；

基于调整后的参数，确定新的当前确定的第一相似影像，并再次执行所述第一相似度比对；

所述第二相似度比对包括：

确定当前确定的第二相似影像和所述带妆图像的第二相似度比较结果；

针对所述第二相似度比较结果大于第二预设相似度阈值的情况，生成第二反馈信息，并基于所述第二反馈信息对所述第二生成式对抗网络进行参数调整；

基于调整后的参数，确定新的当前确定的第二相似影像，并再次执行所述第二相似度比对；

所述第三相似度比对包括：

确定所述第一相似影像和所述第二相似影像的第三相似度比较结果；

针对所述第三相似度比较结果大于第三预设相似度阈值的情况，生成第三反馈信息，对所述第一生成式对抗网络和所述第二生成式对抗网络进行参数调整；

基于调整后的参数，确定新的当前确定的第一相似影像和新的当前确定的第二相似影像，并再次执行所述第一相似度比对和所述第二相似度比对。